近期，我校人工智能与大数据学院计算机视觉与模式识别协同创新团队在遥感图像解译、低光图像检测和水下图像增强等方向取得新进展，研究成果分别发表于《IEEE Transactions on Geoscience and Remote Sensing》（中科院一区Top，影响因子8.6）和《Expert Systems with Applications》（中科院一区Top，影响因子7.5）等国际权威期刊。
在遥感小目标检测方向，团队针对遥感影像复杂背景干扰和小目标检测难题，提出轴压缩与多路径尺度自适应融合网络（AMSFNet）。该网络设计单向多尺度耦合模块增强小目标特征提取能力，构建轴压缩增强注意力模块聚合全局与局部信息以降低背景噪声干扰，通过多路径尺度自适应融合方法实现大小目标检测平衡。陈岩博士为第一作者，王晓峰教授为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：Axis-Squeeze and Multirouting Scale-Adaptive Fusion Network for Remote Sensing Images Object Detection，引用链接：https://ieeexplore.ieee.org/document/11121344）
在复杂场景遥感语义分割方向，团队提出轻量级跨域耦合网络（LCCN）。该网络创新性采用“Encoder-Coupler-Decoder”架构，耦合器中通过跨域耦合模块实现多尺度特征提取与全局信息建模，解码器中借助轻量级全特征映射注意力模块捕捉多维度特征交互，优化复杂场景下的语义分割效果。王晓峰教授为第一作者，陈岩博士为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：Cross-Domain Coupling Network With Lightweight Fully Featured Mapping and Loop Aggregation for Semantic Segmentation of High-Resolution Remote Sensing Images，引用链接：https://ieeexplore.ieee.org/document/11129080）
在低光环境目标检测方向，团队提出光照调制拉普拉斯金字塔增强网络（ILENet）。该网络设计 LEP 与 IMM 两大关键组件，LEP 优化低光图像多频率信息以提亮度、IMM 生成语义校正参数以优图像，且与 YOLO 检测器集成形成新框架，采用联合训练平衡增强与检测任务，在低光数据集上达 SOTA（准确率 78.5%），其有效性亦经低光语义分割任务验证。王晓峰教授为第一作者，邹乐教授为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：ILENet: Illumination-Modulated Laplacian-Pyramid Enhancement Network for low-light object detection，引用链接：https://www.sciencedirect.com/science/article/pii/S0957417425001265）
在水下图像增强方向，研究团队提出一种融合特征提示Transformer的渐进式聚合增强方法。该方法创新性地融合了特征注意力机制与提示权重调节输入特征，实现了特征高效传递与多尺度渐进式聚合，可以全面捕捉图像细节与语义信息以有效增强水下降质图像。该方法展现出优异的学习与泛化能力，且能为下游视觉任务带来显著性能增益。杨静博士为第一作者和通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：PAFPT: Progressive aggregator with feature prompted transformer for underwater image enhancement，引用链接：https://www.sciencedirect.com/science/article/pii/S0957417424024060）
计算机视觉与模式识别协同创新团队前身为人工智能与大数据学院视觉计算组，成立于2016年，依托安徽省智能制造多模态数据融合工程研究中心、安徽省高校优秀科研创新团队，围绕国家和安徽省“人工智能+”和计算机视觉应用的重大战略需求，聚焦国内外视觉智能与场景认知计算的前沿问题，开展视觉智能关键基础理论与算法研究，助力合肥大学学科建设和安徽省战略性新兴产业和区域经济发展。
来源：科研处 人工智能与大数据学院 编辑：陈岩 预审：胡坤宏 审核：贾峰